► Keras 3 API 文档 / 损失函数 / "最大间隔" 分类铰链损失函数

"最大间隔" 分类铰链损失函数

`Hinge` 类

keras.losses.Hinge(reduction="sum_over_batch_size", name="hinge", dtype=None)

计算 y_true 与 y_pred 之间的铰链损失。

公式

loss = maximum(1 - y_true * y_pred, 0)

期望 y_true 值为 -1 或 1。如果提供了二元（0 或 1）标签，我们将它们转换为 -1 或 1。

参数

reduction: 应用于损失的归约类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 损失实例的可选名称。
dtype: 损失计算的数据类型。默认为 None，表示使用 keras.backend.floatx()。除非设置了不同的值（通过 keras.backend.set_floatx()），否则 keras.backend.floatx() 为 "float32"。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`SquaredHinge` 类

keras.losses.SquaredHinge(
    reduction="sum_over_batch_size", name="squared_hinge", dtype=None
)

计算 y_true 与 y_pred 之间的平方铰链损失。

公式

loss = square(maximum(1 - y_true * y_pred, 0))

期望 y_true 值为 -1 或 1。如果提供了二元（0 或 1）标签，我们将它们转换为 -1 或 1。

参数

reduction: 应用于损失的归约类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 损失实例的可选名称。
dtype: 损失计算的数据类型。默认为 None，表示使用 keras.backend.floatx()。除非设置了不同的值（通过 keras.backend.set_floatx()），否则 keras.backend.floatx() 为 "float32"。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`CategoricalHinge` 类

keras.losses.CategoricalHinge(
    reduction="sum_over_batch_size", name="categorical_hinge", dtype=None
)

计算 y_true 与 y_pred 之间的分类铰链损失。

公式

loss = maximum(neg - pos + 1, 0)

其中 neg=maximum((1-y_true)*y_pred) 且 pos=sum(y_true*y_pred)

参数

reduction: 应用于损失的归约类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 损失实例的可选名称。
dtype: 损失计算的数据类型。默认为 None，表示使用 keras.backend.floatx()。除非设置了不同的值（通过 keras.backend.set_floatx()），否则 keras.backend.floatx() 为 "float32"。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`hinge` 函数

keras.losses.hinge(y_true, y_pred)

计算 y_true 与 y_pred 之间的铰链损失。

公式

loss = mean(maximum(1 - y_true * y_pred, 0), axis=-1)

参数

y_true: 真实值。期望 y_true 值为 -1 或 1。如果提供了二元（0 或 1）标签，它们将被转换为 -1 或 1，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

返回值

铰链损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.hinge(y_true, y_pred)

[源代码]

`squared_hinge` 函数

keras.losses.squared_hinge(y_true, y_pred)

计算 y_true 与 y_pred 之间的平方铰链损失。

公式

loss = mean(square(maximum(1 - y_true * y_pred, 0)), axis=-1)

参数

y_true: 真实值。期望 y_true 值为 -1 或 1。如果提供了二元（0 或 1）标签，我们将它们转换为 -1 或 1，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

返回值

平方铰链损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.squared_hinge(y_true, y_pred)

[源代码]

`categorical_hinge` 函数

keras.losses.categorical_hinge(y_true, y_pred)

计算 y_true 与 y_pred 之间的分类铰链损失。

公式

loss = maximum(neg - pos + 1, 0)

其中 neg=maximum((1-y_true)*y_pred) 且 pos=sum(y_true*y_pred)

参数

y_true: 真实值。期望 y_true 值为 {-1, +1} 或 {0, 1}（即独热编码张量），形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

返回值

分类铰链损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.randint(0, 3, size=(2,))
>>> y_true = np.eye(np.max(y_true) + 1)[y_true]
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.categorical_hinge(y_true, y_pred)